基于K层特征模型的异常流量识别算法

计算机应用 ›› 2012, Vol. 32 ›› Issue (05): 1397-1399.

基于K层特征模型的异常流量识别算法

郑建忠¹,郑建荣²

1. 银川东方运输设备有限公司，银川 750011
2. 宁夏平罗县职业教育中心教务科，宁夏平罗 753400

收稿日期:2011-11-04 修回日期:2012-01-10 发布日期:2012-05-01 出版日期:2012-05-01
通讯作者: 郑建忠
作者简介:郑建忠（1974-），男，宁夏石嘴山人，工程师，硕士，主要研究方向：网络与数据信息安全；郑建荣（1963-），男，宁夏石嘴山人，中教一级，主要研究方向：计算机网络安全。
基金资助:
国家信息安全管理中心项目（2006C27）

Algorithm of abnormal flow identification based on dynamic Ｋ-layer features model

ZHENG Jian-zhong¹,ZHENG Jian-rong²

1. Yinchuan East Transportation Equipment Limited Corporation,Yinchuan Ningxia 750001,China
2. Educational Administration Branch, Pingluo Vocational Education Center of Ningxia, Pingluo Ningxia 753400,China

Received:2011-11-04 Revised:2012-01-10 Online:2012-05-01 Published:2012-05-01
Contact: ZHENG Jian-zhong

摘要/Abstract

摘要： 针对在NetFlow数据流的环境中，如何解决海量数据识别的问题，提出基于K层特征模型的异常流量识别算法。采用优先级策略依次打开索引表，读取异常行为，并与异常行为的特征值逐条匹配，匹配成功作标记，确定异常行为类型。实验结果表明，该算法能够快速有效地识别异常数据流，提高了海量数据识别的实效性，有效地解决了网络安全问题，达到设计目标。

关键词: 异常流量, 流量分析, 异常检测, 特征模型, NetFlow

Abstract: This paper mainly addressed how to identify a mass of dada in NetFlow environment. It proposed an algorithm of abnormal flow identification based on dynamic K-layer feature model. With priority strategies, index table was opened reading the abnormal behavior and matching with eigenvalues one by one. When a match was done successfully, it was marked and the type of abnormal behavior was determined. The experimental result shows that it can identify the abnormal flow quickly and efficiently. It improves the efficiency of identification, and solves network security problems and achieves design goals.

Key words: abnormal flow, flow analysis, abnormal detection, feature pattern, NetFlow

中图分类号:

TP393.08

郑建忠郑建荣. 基于K层特征模型的异常流量识别算法[J]. 计算机应用, 2012, 32(05): 1397-1399.

ZHENG Jian-zhong ZHENG Jian-rong. Algorithm of abnormal flow identification based on dynamic Ｋ-layer features model[J]. Journal of Computer Applications, 2012, 32(05): 1397-1399.

参考文献

［1］郑建忠,周世杰,王娟.基于NetFlow的动态K层特征模型库建立［J］.计算机工程,2010,36（22）:165-167.

［2］付强,甘亮,李爱平,等.一种基于主成分分析算法的网络异常检测实现［J］.南京师范大学学报,2008,8(4):13-16.

［3］杨丹.网络流量异常检测方法研究及仿真平台研制［D］.成都：电子科技大学,2008.

［4］LAKHINA A,CROVELLA M,DIOT C.Mining anomalies using traffic feature distributions［C］// Proceedings of the 2005 Conference on Applications, Technologies, Architectures, and Protocols for Computer Communications. New York:ACM press,2005,35(4):9-20.

［5］杜洪毅,基于Netflow的网络异常流量发现的研究与实现［D］.成都:电子科技大学,2010.

［6］ZHANG HONGZHUO,Study on the TOPN abnormal detection based on the NetFlow data set［J］. Computer and Information Science,2009,2(3):103-108.

［7］王志.基于Netflow的流量统计分析系统设计与实现［D］.北京:北京邮电大学,2007.

［8］戚玉娥.基于网络流的流量异常检测研究［D］.济南:山东师范大学,2009.

［9］肖志新,杨岳湘,杨霖.一个基于NetFlow的异常流量检测与防护系统［J］.微电子学与计算机,2006,23（5）:209-210,213.

［10］叶润国,胡建平.基于主机活跃性和通信模式分析的实时异常检测［C］// 2007年全国网络与信息安全技术研讨会论文集.青岛:[出版者不详],2007:35-41.

［11］蒲天银,秦拯.基于NetFlow的流量异常检测技术研究［J］.计算机与数字工程,2009,37（7）:115-118.

［12］朱敏.基于NetFlow的网络流量异常的分析［J］.计算机系统应用,2006,15（4）:28-30.

［13］李韦韦,多层特征分配网络入侵检测系统［D］.南昌:南昌大学,2007.

［14］CORMODE G, MUTHUKRISHNAN S.What's new:Finding significant differences in network data streams［C］// Twenty-third AnnualJoint Conference of the IEEE Computer and Communications Societies. Washington, DC: IEEE Computer Society，2004,3: 1534-1545.

［15］CROVELLA M E, TAQQU M S,BESTAVROS A.Heavy-tailedprobability distributions in the world wide Web［C］// Practical Guide To Heavy Tails: Statistical Techniques And Applications.Cambridge,MA,USA:Birkhauser Boston,1998(1):3-25.

［16］DANIEL K, SHAI B D, JOHANNES G.Detecting change in data streams［C］// Proceedings of the Thirtieth International Conference on Very Large Data Bases. New York:ACM，2004, 30:180-191.

[1]	胡天杰, 胡文军, 王士同. 分布熵惩罚的支持向量数据描述[J]. 计算机应用, 2021, 41(8): 2212-2218.
[2]	孟凡, 陈广, 王勇, 高阳, 高德群, 贾文龙. 基于多粒度时序结构表示的异常检测算法在储层含油性检测中应用[J]. 计算机应用, 2021, 41(8): 2453-2459.
[3]	姚杰, 程春玲, 韩静, 刘峥. 云工作流中基于多任务时序卷积网络的异常检测方法[J]. 计算机应用, 2021, 41(6): 1701-1708.
[4]	谢雨, 蒋瑜, 龙超奇. 基于随机子空间的扩展隔离林算法[J]. 计算机应用, 2021, 41(6): 1679-1685.
[5]	李衍志, 范勇, 高琳. 基于形态流的石油钻井水流异常检测[J]. 计算机应用, 2021, 41(6): 1842-1848.
[6]	杭梦鑫, 陈伟, 张仁杰. 基于改进的一维卷积神经网络的异常流量检测[J]. 计算机应用, 2021, 41(2): 433-440.
[7]	张晨曦, 唐曙, 唐珂. 迁移学习下的火箭发动机参数异常检测策略[J]. 计算机应用, 2020, 40(9): 2774-2780.
[8]	王磊. 改进粗糙集属性约简结合K-means聚类的网络入侵检测方法[J]. 计算机应用, 2020, 40(7): 1996-2002.
[9]	胡珉, 白雪, 徐伟, 吴秉键. 多维时间序列异常检测算法综述[J]. 计算机应用, 2020, 40(6): 1553-1564.
[10]	仇媛, 常相茂, 仇倩, 彭程, 苏善婷. 基于长短期记忆网络和滑动窗口的流数据异常检测方法[J]. 计算机应用, 2020, 40(5): 1335-1339.
[11]	霍纬纲, 王慧芳. 基于自编码器和隐马尔可夫模型的时间序列异常检测方法[J]. 计算机应用, 2020, 40(5): 1329-1334.
[12]	夏彬, 白宇轩, 殷俊杰. 基于生成对抗网络的系统日志级异常检测算法[J]. 计算机应用, 2020, 40(10): 2960-2966.
[13]	张艳升, 李喜旺, 李丹, 杨华. 基于卷积神经网络的工控网络异常流量检测[J]. 计算机应用, 2019, 39(5): 1512-1517.
[14]	邹承明, 刘攀文, 唐星. 动态主机配置协议泛洪攻击在软件定义网络中的实时防御[J]. 计算机应用, 2019, 39(4): 1066-1072.
[15]	陶涛, 周喜, 马博, 赵凡. 基于双向LSTM的Seq2Seq模型在加油站时序数据异常检测中的应用[J]. 计算机应用, 2019, 39(3): 924-929.